CN113112796B - 一种驾驶行为特征的构造方法、系统和驾驶行为分析方法 - Google Patents

Abstract

本发明公开了一种驾驶行为特征的构造方法、系统和驾驶行为分析方法，驾驶行为的特征构造方法，包括以下步骤：获取包含有轨迹信息的全局驾驶数据；基于轨迹信息识别驾驶数据中包含的驾驶事件段，获取所述驾驶事件段的局部驾驶数据；基于预设方法分别对全局驾驶数据、局部驾驶数据进行特征构造得全局特征和局部特征；将所述全局特征和局部特征组成驾驶行为特征集。避免了现有技术中驾驶行为特征构造时多依据经验或感觉的主观性，准确保留自然驾驶数据原有信息。

Description

一种驾驶行为特征的构造方法、系统和驾驶行为分析方法

技术领域

本发明涉及交通汽车驾驶领域，尤其涉及一种驾驶行为特征的构造方法、系统和驾驶行为分析方法。

背景技术

驾驶行为研究是当前研究热点之一，而通过分析自然驾驶数据研究驾驶行为是当前驾驶行为研究的主要方法之一。当前分析自然驾驶数据的主要方法是根据随机驾驶数据构造表征驾驶行为的特征，用构造的驾驶行为特征体现自然驾驶数据所隐含的驾驶行为信息。

然而由于自然驾驶数据的时间特性以及高非线性，目前研究大多是通过主观判断或经验指导对自然驾驶数据进行特征构造，利用自然驾驶数据相关参数的统计特征(平均值，标准差等)或者事故发生率等危险驾驶行为指标作为驾驶行为特征。这些驾驶行为特征虽然能够表征驾驶行为，但是根据学者的主观经验构造，缺乏客观性，对研究人员的经验知识要求较高，且构造的驾驶行为特征结构单一、内容片面、系统性差。

当前研究多是对自然驾驶数据整段分析，忽略了驾驶行为在不同道路线形的差异，导致驾驶风格分析准确性降低。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种驾驶行为特征的构造方法、系统和驾驶行为分析方法。

根据本发明的一个方面提供一种驾驶特征构造方法，包括以下步骤：

获取包含有时间信息的全局驾驶数据及对应的驾驶轨迹信息；

基于轨迹信息识别驾驶数据中包含的驾驶事件段，获取所述驾驶事件段的局部驾驶数据；

基于预设方法分别对全局驾驶数据、局部驾驶数据进行特征构造得全局特征和局部特征；

将所述全局特征和局部特征组成驾驶行为特征集。

进一步的，所述驾驶事件段包括弯道路段、直行路段，全局驾驶数据中会包含有若干个转弯路段，及弯路段间的直行路段，获取各个转弯路段、直行路段的驾驶数据作为局部驾驶数据。

进一步的，基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造，从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造。

进一步的，基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造，包括：基于预设的驾驶参数，计算全局驾驶数据的Hurst指数、自相关函数特征、全局驾驶数据中大于预设行驶速度行驶时间占总行驶时间的百分比(高速行驶时间占总行驶时间的百分比)、大于预设行驶速度行驶里程占总行驶里程的百分比(高速行驶里程占总行驶里程的百分比)、百公里加速度超过第一阈值(百公里急加速次数)的次数、百公里减速速度超过第二阈值(百公里急减速次数)的次数、百公里换道次数中的至少一个；

和/或

基于预设方法从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造，包括：基于预设的驾驶参数，计算局部驾驶数据中表征中心趋势的特征、表征分散性的特征、近似熵、香农熵、表征频域特性的特征、趋势强弱指数以及去趋势相关特征中的至少一个。

进一步的，基于预设方法从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造，还包括，对事件段进行聚类，将同类型事件段中相同驾驶参数的局部特征的均值作为局部特征。

进一步的，基于预设的驾驶参数，计算全局驾驶数据的自相关函数特征包括：对全局驾驶数据的驾驶参数求自相关函数后，用所述自相关函数求得数值的平均值、中位数、截尾平均值、标准差、四分位标准、绝对中位数、偏度、峰度、标准差、P-分位值以及变异系数作为全局特征。

进一步的，所述驾驶参数包括但不限于车辆行驶轨迹的X坐标(北方向)、大地坐标系下车辆行驶轨迹的Y坐标(东方向)、行车速度，车辆纵向加速度，车辆纵向加加速度(jerk值)，车辆侧向加速度。

进一步的，表征中心趋势的特征包括驾驶参数的平均值，中位数以及截尾平均值；

表征分散性的特征包括标准差，四分位标准差，绝对中位数，峰度，偏度，p-分位数值和变异系数；

表征频域特性的特征包括将驾驶参数进行傅里叶变换后，将变换后驾驶参数的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p-分位数值、变异系数作为局部特征；

去趋势相关特征包括对驾驶参数去趋势后，将驾驶参数去趋势后数据的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p-分位数值、变异系数、近似熵和香农熵作为驾驶行为特征。

根据本发明的另一个方面提供一种驾驶行为分析方法，包括以下步骤：

构建并训练聚类分析模型；

基于上述任意一项所述的驾驶行为特征构造方法，对采集到驾驶员的驾驶数据进行驾驶行为特征构造得到驾驶行为特征集；

对所述驾驶行为特征集进行聚类分析，输出分析结果。

根据本发明的另一个方面提供一种驾驶行为特征构造系统，包括采集模块，配置用于获取包含有时间信息全局驾驶数据；

局部驾驶数据划分模块，配置用于基于轨迹信息识别驾驶数据中包含的驾驶事件段，获取所述驾驶事件段的局部驾驶数据；

特征构造模块，配置用于基于预设方法分别对全局驾驶数据、局部驾驶数据进行特征构造得全局特征和局部特征；

特征集构造模块，配置用于将所述全局特征和局部特征组成驾驶行为特征集。

本发明示例的驾驶行为特征构造方法及系统，考虑道路线形因素，从全局和局部两方面进行特征构造；基于驾驶参数客观精确地确定特征变量，考虑变量的时间序列特性，构建特征指标集，用于驾驶行为特性的表征，避免了现有技术中特征选择时多依据主观经验或感觉的主观性，准确保留自然驾驶数据原有信息，提供驾驶行为信息，全面有效表征驾驶行为特性，为驾驶行为分析研究提供充足信息，并为驾驶交通流数据的分析提供一种新思路；

基于本申请驾驶行为特征构造方法及系统的驾驶行为分析方法由于考虑了道路线形因素，去除道路线形的影响，所以可以对在不同道路线形上采集到的驾驶数据进行处理，对驾驶数据的要求较少，实际可操作性性强。

附图说明

图1为实施例1结构框图；

图2为对比例中实验特征集聚类结果的可视化图；

图3为图2所对应的聚类中心可视化图；

图4为对比例中对比特征集聚类结果可视化图；

图5为图4所对应的聚类中心可视化图。

具体实施方式

为了更好的了解本发明的技术方案，下面结合说明书附图和具体实施例对本发明作进一步说明。

一种驾驶特征构造方法，包括以下步骤：

步骤1、获取包含有时间信息的全局驾驶数据及对应的驾驶轨迹信息；本实施例时间信息为驾驶数据对应的时间序列，时间序列是指将某一现象按照时间先后顺序，根据某一个统计指标记录的一系列数据。本实施例优选面向自然驾驶的驾驶数据及驾驶数据对应的时间序列数据，1、自然驾驶是指在驾驶过程中不干扰驾驶人，驾驶人完全按照自己的意愿来操纵汽车。区别于任务驾驶，或者，带有其他目的的驾驶。自然驾驶更能反映驾驶人固有的、由驾驶人自身来决定的驾驶行为特征。2、时间序列数据，是为了说明所采集的数据是包含有时间信息的，随时间发生变化的，区别于时间无关数据。

步骤2、基于轨迹信息识别驾驶数据中包含的驾驶事件段，获取所述驾驶事件段的局部驾驶数据，本实施例驾驶事件段包括弯道路段(行驶轨迹半径<＝1000m)、直行路段(行驶轨迹半径>1000m)，弯道路段包括左转弯和右转弯。驾驶数据中会包含有多个左转弯路段、右转弯路段，及各个左转弯路段、右转弯路段间的直行路段，获取各个左转弯路段、右转弯路段的直行路段的驾驶数据作为局部驾驶数据。

步骤3、基于预设方法分别对全局驾驶数据、局部驾驶数据进行特征构造得全局特征和局部特征；

本实施例基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造，如表1所示，其中，自相关性分为Hurst指数和自相关函数特征。Hurst指数直接作为一个全局特征。而自相关函数特征具体操作为，对驾驶参数求自相关函数后，驾驶参数包括：行车速度，车辆纵向加速度，车辆纵向加加速度，车辆侧向加速度，用驾驶参数自相关函数求得数值的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、偏度、峰度、标准差、P-分位(25,75,10,90,5,95)以及变异系数作为全局特征。而在驾驶风险性中，主要通过风险驾驶所占比例来表征全局特征，包括大于预设行驶速度行驶时间(高速行驶时间)占总行驶时间的百分比、大于预设行驶速度行驶里程占总行驶里程的百分比(高速行驶里程占总行驶里程的百分比)、百公里加速度超过第一阈值(百公里急加速次数)的次数、百公里减速速度超过第二阈值(百公里急减速次数)的次数、百公里换道次数中的至少一个。

本实施例从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造。具体的分为对全局驾驶数据进行特征构造和对局部驾驶数据进行特征构造，其中，(1)数值分布特性包括中心趋势以及分散性。其中，中心趋势包括驾驶参数的平均值，中位数以及截尾平均值；分散性包括驾驶参数的标准差，四分位标准差，绝对中位数，峰度，偏度，p-分位数值和变异系数。利用驾驶数据变量的中心趋势和分散性相关指标作为驾驶行为特征。(2)信息量包括近似熵和香农熵，用驾驶参数的近似熵和香农熵作为局部特征。(3)频域特性为将驾驶数据变量进行傅里叶变换后，将变换后驾驶参数的平均值，中位数，截尾平均值，标准差，四分位标准差，绝对中位数，峰度，偏度，p-分位数值，变异系数作为局部特征。(4)趋势性包括趋势强弱指数以及去趋势相关特征。其中驾驶数据变量趋势强弱指数直接作为局部特征；去趋势相关特征具体操作为，对驾驶参数去趋势后，将驾驶参数去趋势后数据的平均值，中位数，截尾平均值，标准差，四分位标准差，绝对中位数，峰度，偏度，p-分位数值，变异系数，近似熵和香农熵作为局部特征。

以下具体介绍全局特征和局部特征的构造：

1、对全局驾驶数据进行特征构造

步骤3-11，基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造包括：预设的驾驶参数选择大地坐标系下车辆行驶轨迹的X坐标(北方向)、大地坐标系下车辆行驶轨迹的Y坐标(东方向)、行车速度，车辆纵向加速度，车辆纵向加加速度，车辆侧向加速度(车辆侧向加速度的绝对值的最大值>6m/s²时定义为急转弯)。

基于预设的驾驶参数，计算全局驾驶数据的Hurst指数、自相关函数特征、全局驾驶数据中大于预设行驶速度行驶行驶时间(高速行驶时间)占总行驶时间的百分比、大于预设行驶速度行驶里程占总行驶里程的百分比(高速行驶里程占总行驶里程的百分比)、百公里加速度超过第一阈值(百公里急加速次数)的次数、百公里减速速度超过第二阈值的次数、百公里换道次数中的至少一个，其中，预设行驶速度可以设置60-80km/h，本实施例选取预设行驶速度为60km/h，第一阈值、第二阈值的绝对值可以选取4-8m/s²，本实施绝对值选取6m/s²；

其中，设驾驶参数为X，基于时间信息获取X的时间序列，则X的Hurst指数的计算方法如下：

①对X的时间序列数据取对数并做差分，得到其对数差分序列。其中元素为：m_i＝logx_i+1-logx_i,i＝1,2,...,k

②将对数差分序列分为n个长度为q的子集，记为N_a,a＝1,2,...,n。计算每个子集均值

如最后一个子集长度不足q，则其长度为k-(n-1)q。

③对于每个子集，计算其累计离差和

其中，

为第a个子集中的第z个数值，

为第a个子集的平均值。将累计离差和组成的序列称为对数收益率序列；

④计算子集N_a的对数收益率序列波动范围

⑤计算子集N_a对数收益率序列的标准差

其中，

为子集N_a的对数收益率序列平均值；

⑥对于子集N_a，用其对数收益序列的标准差

对其波动范围

进行标准化，得到重标极差

⑦将n个子集的重标极差取其平均值作为原始数据序列在长度为q的时间跨度上的重标极差

⑧令q＝1,2,4,8,…，并重复前面步骤，得到不同长度q的时间跨度上的重标极差；

⑨利用log(q)对log(RS)_q线性回归，回归方程斜率即为Hurst指数，Hurst指数直接作为一个全局特征。

步骤3-12，自相关函数特性是指驾驶参数自相关函数的中心趋势和分散性；其中，X的自相关函数C_X(τ)的计算方法为：

其中，τ为滞后步长，取值为τ＝1,2,..,n-1，n为驾驶参数X的长度，s²为驾驶参数X的方差，

为驾驶参数X的平均值。

自相关函数的中心趋势包括自相关函数的平均值，中位数以及截尾平均值，自相关函数的分散性包括其标准差，四分位标准差，绝对中位数，峰度，偏度，p-分位数和变异系数其中，自相关函数的p-分位数值包括5％分位数，10％分位数，25％分位数，75％分位数，90％分位数以及95％分位数；对全局驾驶数据的驾驶参数求自相关函数后，用所述自相关函数求得数值的平均值、中位数、截尾平均值、标准差、四分位标准、绝对中位数、偏度、峰度、标准差、P-分位值以及变异系数作为全局特征。

其中，截尾平均值

的计算方法为：

其中α为截尾系数，本实施例α取值0.025，n为数据个数，

为将数据按升序排列后的顺序序列。

其中，变异系数

的计算方法为：

其中C_X-std(τ)为用所述自相关函数求得数值的标准差，

为用所述自相关函数求得数值的平均值。

2、对局部驾驶数据进行特征构造，预设的驾驶参数包括大地坐标系下车辆行驶轨迹的X坐标(北方向)、大地坐标系下车辆行驶轨迹的Y坐标(东方向)、行车速度，车辆纵向加速度，车辆纵向加加速度，车辆侧向加速度。

步骤3-21，基于预设方法从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造，包括：基于预设的驾驶参数，计算局部驾驶数据中表征中心趋势的特征、表征分散性的特征、近似熵、香农熵、表征频域特性的特征、趋势强弱指数以及去趋势相关特征中的至少一个；

其中，

I、信息量包括，近似熵和香农熵。

香农熵的计算方法为：

其中

是

的出现概率。

近似熵的计算方法为：

①将参数X去趋势后的时间序列

按顺序组成一组b维矢量U(i),i＝1,2,....,k-b+1，其中每一组b维矢量为

②定义任意两矢量间的距离为两者对应元素中差值最大的一个，表示为：

③定义阈值r，统计d[U(i),U(j)]小于r的数量，计算该数量与距离总数k-b的比值，记为

④将

取对数，再求其对所有i的平均值，记为Φ^b(r)，即

⑤将维数从b变为b+1，重复上述步骤，得Φ^b+1(r)；

⑥最后所得近似熵为ApEn(X^d)＝Φ^b(r)-Φ^b+1(r)，根据实践，本实施例取b＝2，r＝0.2s^d，其中s^d为参数去趋势后的标准差。

I I、表征中心趋势的特征包括驾驶参数的平均值，中位数以及截尾平均值，其中，截尾平均值

的计算方法为：

其中α为截尾系数，本实施例α取值0.025，n为数据个数，x₍₁₎,x₍₂₎,…,x_(n)为将数据升序排列后的顺序序列。

I I I、表征分散性的特征包括标准差，四分位标准差，绝对中位数，峰度，偏度，p-分位数值和变异系数，其中，自相关函数的p-分位数值包括5％分位数，10％分位数，25％分位数，75％分位数，90％分位数以及95％分位数；其中，其中，变异系数

其中，X_std为驾驶参数标准差，

为驾驶参数平均值。

IV、表征频域特性的特征包括将驾驶参数进行傅里叶变换后，将变换后驾驶参数的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p-分位数值、变异系数作为局部特征；截尾平均值的计算方式同I I；

V、驾驶参数X的趋势强弱指数I_X的计算方法为：

其中s是参数X的标准差，s^d是参数X去趋势后的标准差。

数据去趋势的处理方法为：

其中p(x_i)为x_i处参数X的线性拟合模型所对应的值，其中，线性拟合模型为：p(X)＝a₀+a₁X；

VI、去趋势相关特征包括对驾驶参数去趋势后，将驾驶参数去趋势后数据的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p-分位数值、变异系数、近似熵和香农熵作为驾驶行为特征。

其中，截尾平均值、变异系数、香农熵、近似熵的计算方法同上，

步骤3-22，对事件段进行聚类，将同类型事件段中相同驾驶参数的局部特征的均值作为局部特征。

步骤4、将所述全局特征和局部特征组成驾驶行为特征集。

本实施例提供一种实现上述驾驶行为特征构造方法的驾驶行为特征构造系统，包括

采集模块，配置用于获取包含有时间信息全局驾驶数据；

局部驾驶数据划分模块，配置用于基于轨迹信息识别驾驶数据中包含的驾驶事件段，所述驾驶事件段包括弯道路段、直行路段。获取所述驾驶事件段的局部驾驶数据；

特征构造模块，配置用于基于预设方法分别对全局驾驶数据、局部驾驶数据进行特征构造得全局特征和局部特征；本实施例基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造，从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造。具体的，

基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造，包括：基于预设的驾驶参数，计算全局驾驶数据的Hurst指数、自相关函数特征、全局驾驶数据中大于预设行驶速度行驶时间占总行驶时间的百分比、大于预设行驶速度行驶里程占总行驶里程的百分比、百公里加速度次数超过第一阈值、百公里减速速度超过第二阈值的次数、百公里换道次数中的至少一个；计算全局驾驶数据的自相关函数特征包括：对全局驾驶数据的驾驶参数求自相关函数后，用所述自相关函数求得数值的平均值、中位数、截尾平均值、标准差、四分位标准、绝对中位数、偏度、峰度、标准差、P-分位值以及变异系数作为驾驶行为特征。

基于预设方法从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造，包括：基于预设的驾驶参数，计算局部驾驶数据中表征中心趋势的特征、表征分散性的特征、近似熵、香农熵、表征频域特性的特征、趋势强弱指数以及去趋势相关特征中的至少一个；对事件段进行聚类，将同类型事件段中相同驾驶参数的局部特征的均值作为局部特征。

表征中心趋势的特征包括驾驶参数的平均值，中位数以及截尾平均值；

表征分散性的特征包括标准差，四分位标准差，绝对中位数，峰度，偏度，p-分位数值和变异系数；

表征频域特性的特征包括将驾驶参数进行傅里叶变换后，将变换后驾驶参数的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p-分位数值、变异系数作为驾驶行为特征；

去趋势相关特征包括对驾驶参数去趋势后，将驾驶参数去趋势后数据的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p-分位数值、变异系数、近似熵和香农熵作为驾驶行为特征。

其中，驾驶参数包括但不限于大地坐标系下车辆行驶轨迹的X坐标(北方向)、大地坐标系下车辆行驶轨迹的Y坐标(东方向)、行车速度，车辆纵向加速度，车辆纵向加加速度，车辆侧向加速度。

特征集构造模块，配置用于将所述全局特征和局部特征组成驾驶行为特征集。

本实施例提供一种应用上述驾驶行为特征构造方法的驾驶行为分析方法，包括以下步骤：

步骤100、构建并训练聚类分析模型；

步骤101、构建聚类分析模型，本实施例为k-means算法；

步骤102、训练k-means算法

采集自然驾驶数据样本，提取73的人驾驶数据，车辆的行驶路线包含两种驾驶事件段即直行路段、弯道路段。将驾驶分为全局数据和局部数据，全局特征利用所述自然驾驶数据样本的所有数据，反映变量总体变化趋势；局部特征利用道路线型因素，用来反映驾驶事件段的变化趋势；

每个驾驶人的驾驶数据包括车辆行驶轨迹的X指标和Y坐标，行车速度、车辆纵向加速度、车辆纵向加加速度、车辆侧向加速度。

本实施选择行车速度、车辆纵向加速度、车辆纵向加加速度、车辆侧向加速度4个参数进行全局特征指标和局部特征指标构造，共计215个特征指标。优选的，根据加速度计算车辆加加速度，根据速度和坐标计算车辆侧向加速度。利用滑动平均值滤波方法对数据进行滤波处理，消除噪声影响。

所构造的驾驶行为特征集，如表1所示：

基于表1中所构造的驾驶行为特征集，对采集到的73位驾驶人样本进行风格聚类，聚类方法为k-means算法，根据输出分析结果，将驾驶人风格包括谨慎型，一般型以及激进型三种。

利用k-means算法将驾驶人分为谨慎型，一般型以及激进型三类。根据时间序列自然驾驶数据驾驶行为特征集聚类，结果如表2所述：

表2时间序列自然驾驶数据驾驶行为特征集聚类结果

驾驶人类型	数量
		谨慎型	13
一般型	53
		激进型	7

利用戴维森堡丁指数(DBI)，邓恩指数(DI)以及轮廓系数对聚类结果进行分析。并与现有常用的驾驶行为特征集进行对比，证明该方法构造的特征集对于驾驶风格分析的有效性及准确性。并利用戴维森堡丁指数，邓恩指数以及轮廓系数对聚类结果进行分析，并与现有常用的驾驶行为特征集进行对比，证明该方法的构造的特征集对于驾驶风格分析有效性和准确性。

步骤200、基于上述所述的驾驶行为特征构造方法，对再次采集到驾驶员的驾驶数据进行驾驶行为特征构造得到驾驶行为特征集；

步骤300、对所述驾驶行为特征集进行聚类分析，输出分析结果，所述聚类结果的分析方法为：使用戴维森堡丁指数，邓恩指数以及轮廓系数对结果进行评价。根据输出聚类分析结果，由工作人员将驾驶人风格分为谨慎型，一般型以及激进型三种。

对比例

实验特征集：实施例1中提取73的人驾驶数据，构造的驾驶行为特征集

选择对比特征集：行驶速度的最大值、平均值、方差，侧向加速度最大值，纵向加速度方差，车辆加速度时纵向加速度的均值和方差，车辆减速时纵向加速度的均值和方差，纵向加加速度(jerk值)的均值及其方差。

根据对比特征集，利用k-means算法将驾驶人进行分类，结果如表3所示

表3常用特征集聚类结果

利用无监督聚类评价指标，戴维森堡丁指数(DB I)，邓恩指数(D I)以及轮廓系数对结果进行评价。其中戴维森堡丁指数越小，聚类效果越好；邓恩指数越大，聚类效果越好；轮廓系数取值范围为(-1,1)，当轮廓系数取值与1越相近时，聚类效果越好，对比结果如表4所示

表4聚类结果对比

特征集	DBI	DI	轮廓系数
				实验特征集	0.39	0.17	0.81
对比特征集	0.50	0.11	0.62

根据实验特征集、对比特征集的聚类结果及其对应的聚类中心可视化如图2、图3所示，

图2中极角坐标为各个驾驶行为特征，极径坐标为其对应的驾驶行为特征归一化数值，每条线分别代表一个驾驶人样本。图2和图4对比可知，根据实验特征集，同一类型驾驶人集中分布，不同类型驾驶人区分明显；而根据对比特征集聚类，不同类型驾驶人交叉分布，聚类效果区分不明显。图3和图4对比可知，实验特征集聚类中心分散性强，各聚类中心距离较远，数值分散均匀；而对比特征集聚类中心分散性弱，各聚类中心数值距离较近，数值交叉分布。从图形上看，实验特征集的聚类结果明显优于对比特征集的聚类结果，实验特征集的聚类结果去除道路线形的影响，所以可以对在不同道路线形上采集到的驾驶数据进行处理，对驾驶数据的要求较少，实际可操作性性强。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种驾驶行为特征构造方法，其特征在于，包括以下步骤：

获取包含有时间信息的全局驾驶数据及对应的驾驶轨迹信息；

基于驾驶轨迹信息识别驾驶数据中包含的驾驶事件段，获取所述驾驶事件段的局部驾驶数据；

基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造，从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造，得全局特征和局部特征，其中，基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造，包括基于预设的驾驶参数，计算全局驾驶数据的自相关函数特征：

其中，τ为滞后步长，取值为τ＝1,2,..,n-1，n为驾驶参数X的长度，s²为驾驶参数X的方差，

为驾驶参数X的平均值；

基于预设的驾驶参数，计算全局驾驶数据的自相关函数特征包括：对全局驾驶数据的驾驶参数求自相关函数后，用所述自相关函数求得数值的平均值、中位数、截尾平均值、四分位标准、绝对中位数、偏度、峰度、标准差、P-分位值以及变异系数作为全局特征，其中，截尾平均值

的计算方法为：

α为截尾系数；

将所述全局特征和局部特征组成驾驶行为特征集。

2.根据权利要求1所述的驾驶行为特征构造方法，其特征在于，所述驾驶事件段包括弯道路段、直行路段，全局驾驶数据中会包含有若干个转弯路段，及弯路段间的直行路段，获取各个转弯路段、直行路段的驾驶数据作为局部驾驶数据。

3.根据权利要求2所述的驾驶行为特征构造方法，其特征在于，基于预设方法从自相关性和驾驶风险特性对全局驾驶数据进行特征构造，包括：基于预设的驾驶参数，计算全局驾驶数据的Hurst指数、自相关函数特征、全局驾驶数据中大于预设行驶速度行驶时间占总行驶时间的百分比、大于预设行驶速度行驶里程占总行驶里程的百分比、百公里加速度超过第一阈值的次数、百公里减速速度超过第二阈值的次数、百公里换道次数中的至少一个；

和/或

基于预设方法从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造，包括：基于预设的驾驶参数，计算局部驾驶数据中表征中心趋势的特征、表征分散性的特征、近似熵、香农熵、表征频域特性的特征、趋势强弱指数以及去趋势相关特征中的至少一个。

4.根据权利要求3所述的驾驶行为特征构造方法，其特征在于，基于预设方法从数值分布特性、信息量、趋势性以及频域特性对局部驾驶数据进行特征构造，还包括，对事件段进行聚类，将同类型事件段中相同驾驶参数的局部特征的均值作为局部特征。

5.根据权利要求3所述的驾驶行为特征构造方法，其特征在于，所述驾驶参数包括但不限于大地坐标系下车辆行驶轨迹的X坐标、大地坐标系下车辆行驶轨迹的Y坐标、行车速度，车辆纵向加速度，车辆纵向加加速度，车辆侧向加速度。

6.根据权利要求3所述的驾驶行为特征构造方法，其特征在于，表征中心趋势的特征包括驾驶参数的平均值，中位数以及截尾平均值；

表征分散性的特征包括标准差，四分位标准差，绝对中位数，峰度，偏度，p-分位数值和变异系数；

表征频域特性的特征包括将驾驶参数进行傅里叶变换后，将变换后驾驶参数的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p-分位数值、变异系数作为局部特征；

去趋势相关特征包括对驾驶参数去趋势后，将驾驶参数去趋势后数据的平均值、中位数、截尾平均值、标准差、四分位标准差、绝对中位数、峰度、偏度、p-分位数值、变异系数、近似熵和香农熵作为驾驶行为特征。

7.一种驾驶行为分析方法，其特征在于，包括以下步骤：

构建并训练聚类分析模型；

基于权利要求1-6任意一项所述的驾驶行为特征构造方法，对采集到驾驶员的自然驾驶数据进行驾驶行为特征构造得到驾驶行为特征集；

对所述驾驶行为特征集进行聚类分析，输出分析结果。

8.一种驾驶行为特征构造系统，其特征在于，包括

采集模块，配置用于获取包含有轨迹信息的全局驾驶数据；

局部驾驶数据划分模块，配置用于基于轨迹信息识别驾驶数据中包含的驾驶事件段，获取所述驾驶事件段的局部驾驶数据；

特征构造模块，配置用于基于预设方法分别对全局驾驶数据、局部驾驶数据进行特征构造得全局特征和局部特征；

特征集构造模块，配置用于将所述全局特征和局部特征组成驾驶行为特征集。

Images